Modelle des maschinellen Lernens für die Analyse von Gravitationswellen
Mateusz Kapusta – Hector RCD Awardee Maximilian Dax
Moderne Gravitationswellenobservatorien wie LIGO, Virgo und KAGRA sowie zukünftige Projekte wie LISA sind unverzichtbare Werkzeuge für das Verständnis der physikalischen Prozesse, die im gesamten Universum ablaufen. Die Komplexität und die schiere Menge der von ihnen gelieferten Daten machen die Analyse jedoch zu einer rechnerisch anspruchsvollen Aufgabe. Ziel meiner Doktorarbeit ist es, die Analyse der Daten dieser Observatorien durch den Einsatz moderner Techniken des maschinellen Lernens, darunter die simulationsbasierte Inferenz (SBI), zu optimieren.
Die Beobachtung von Gravitationswellen hat die Welt der Physik nach dem ersten Nachweis im Jahr 2016 im Sturm erobert. Seitdem ermöglichen uns LIGO, Virgo und KAGRA, verschiedene Bereiche der Physik zu erforschen, darunter die allgemeine Relativitätstheorie, die Kosmologie und die stellare Astrophysik. Diese Fortschritte beruhen auf der Analyse und Charakterisierung der von den Observatorien gemessenen Signale. Die Verarbeitung dieser Signale ist jedoch rechenintensiv und kann zu einem erheblichen Engpass in der Analysepipeline werden.
Jüngste Fortschritte im maschinellen Lernen haben zu einer Vielzahl domänenspezifischer Anwendungen geführt. Eine dieser Techniken ist die simulationsbasierte Inferenz (SBI), die die Inferenz für verschiedene physikalische Probleme um mehrere Größenordnungen beschleunigen kann, während gleichzeitig eine hohe Genauigkeit gewahrt bleibt. SBI wurde von unserer Gruppe bereits erfolgreich auf die Gravitationswellenanalyse angewendet, was die Anwendbarkeit des Frameworks belegt.
Im Mittelpunkt meiner Promotion steht die Weiterentwicklung des SBI-Rahmenwerks, um reale Datensätze – einschließlich fehlender Daten und anderer Unvollkommenheiten – besser verarbeiten zu können. Außerdem streben wir an, diese Methoden auf künftige Gravitationswellenobservatorien wie LISA auszuweiten. Letztendlich wollen wir SBI-Modelle leistungsfähiger, flexibler und benutzerfreundlicher gestalten, ohne dabei Abstriche bei der Leistung oder Genauigkeit zu machen, und damit eine Grundlage für eine effizientere Gravitationswellenanalyse schaffen.
Abbildung übernommen aus https://doi.org/10.1038/d41586-025–00543‑z.

Mateusz Kapusta
ELLIS-Institut Tübingen und Max-Planck-Institut für Intelligente Systeme
Betreut durch

Maximilian Dax
Informatik, Physik, MathematikHector RCD Awardee seit 2025

